也正如剛才提到的，現(xiàn)在這個(gè)AI著實(shí)有點(diǎn)太火了，簡(jiǎn)單的在線方法，就等同于?排大隊(duì)。

這不，等了?5259秒之后，前面還有15人……

如果不想排隊(duì)怎么辦？

接下來(lái)，就是第二種方法了——?上代碼！

熱心網(wǎng)友在苦等了3小時(shí)之后，終于還是忍不住了，強(qiáng)烈安利?Colab版本?（鏈接見(jiàn)文末）：

先運(yùn)行一下文檔里的前兩段代碼，然后只需要簡(jiǎn)單修改照片路徑即可。

當(dāng)然，如果想加大難度挑戰(zhàn)一下，AnimeGANv2的GitHub項(xiàng)目也是有的哈：

以上介紹的方法都是用圖片轉(zhuǎn)換，如果你想用視頻的話，在AnimeGANv2項(xiàng)目中執(zhí)行下面這兩條命令就OK：

當(dāng)然，該項(xiàng)目的Pytorch實(shí)現(xiàn)也有，不過(guò)?Pytorch版本目前只支持圖片轉(zhuǎn)換；如果想轉(zhuǎn)視頻，暫時(shí)就需要你自己寫個(gè)腳本了～

風(fēng)格遷移+GAN

那么，如此效果的背后，到底是用了什么原理呢？

AnimeGAN是來(lái)自武漢大學(xué)和湖北工業(yè)大學(xué)的一項(xiàng)研究，采用的是神經(jīng)風(fēng)格遷移 + 生成對(duì)抗網(wǎng)絡(luò)?（GAN）的組合。

它其實(shí)是基于CartoonGAN的改進(jìn)，并提出了一個(gè)更加輕量級(jí)的生成器架構(gòu)。

AnimeGAN的生成器可以視作一個(gè)對(duì)稱的編碼器-解碼器網(wǎng)絡(luò)，由標(biāo)準(zhǔn)卷積、深度可分離卷積、反向殘差塊、上采樣和下采樣模塊組成。

為了有效減少生成器的參數(shù)數(shù)量，AnimeGAN的網(wǎng)絡(luò)中使用了8個(gè)連續(xù)且相同的IRB?（inverted residual blocks）。

在生成器中，具有1×1卷積核的最后一個(gè)卷積層不使用歸一化層，跟隨其后的是tanh非線性激活函數(shù)。

上圖中，K為內(nèi)核大小，C為特征圖數(shù)量，S為每個(gè)卷積層的跨度，H是特征圖的高度，W是特征圖的寬度，Resize值用于設(shè)置特征圖大小的插值方法，⊕表示逐元素加法。

而此次的V2版本，是基于第一代AnimeGAN的升級(jí)，主要解決了模型生成的圖像中存在高頻偽影的問(wèn)題。

具體而言，所采取的措施是使用特征的層歸一化?（layer normalization），來(lái)防止網(wǎng)絡(luò)在生成的圖像中產(chǎn)生高頻偽影。

作者認(rèn)為，層歸一化可以使feature map中的不同通道，具有相同的特征屬性分布，可以有效地防止局部噪聲的產(chǎn)生。

AnimeGANv2的生成器參數(shù)大小為8.6MB，而AnimeGAN的生成器參數(shù)大小為15.8MB。

它倆使用的鑒別器大致相同，區(qū)別在于AnimeGANv2使用的是層歸一化，而不是實(shí)例歸一化?（instance normalization）。

網(wǎng)友：我變漂亮了

這個(gè)AI可算是圈了一眾粉絲。

有些網(wǎng)友“沖進(jìn)二次元”之后，發(fā)現(xiàn)了自己驚人的美貌：

它把我變漂亮了！

而且非常驕傲的曬出了自己的漫畫臉。

還有網(wǎng)友看完比爾蓋茨的效果之后，直呼：

天！蓋茨看起來(lái)聰明又性感。

作者：生成效果更好的AnimeGANv3也快來(lái)了

AnimeGAN的原作者一共有3位，分別是湖北工業(yè)大學(xué)的劉罡副教授，陳頡博士，以及他們的學(xué)生Xin Chen。

這個(gè)項(xiàng)目的誕生主要出于團(tuán)隊(duì)成員的個(gè)人興趣，也就是?對(duì)二次元宅文化和對(duì)藝術(shù)的熱愛(ài)。

作者之一陳同學(xué)介紹，AnimeGAN和AnimeGANv2分別耗時(shí)2-3個(gè)月完成，其中遇到了不少困難。

其中就包括?硬件資源的極度匱乏，比如當(dāng)時(shí)做AnimeGAN用到的英偉達(dá)單卡服務(wù)器還是由該校藝術(shù)設(shè)計(jì)學(xué)院的院長(zhǎng)饒鑒教授提供，而他負(fù)責(zé)的研究也曾依賴于向其他同學(xué)借機(jī)器跑實(shí)驗(yàn)。

到了AnimeGANv2時(shí)，就只剩一臺(tái)單卡2080ti服務(wù)器供使用了。

不過(guò)，所有努力都沒(méi)有白費(fèi)，如今AnimeGAN已受到非常多人的關(guān)注和喜歡，這讓陳同學(xué)和他的導(dǎo)師團(tuán)隊(duì)都非常有成就感。

要知道，就連?新海誠(chéng)導(dǎo)演都曾轉(zhuǎn)發(fā)過(guò)AnimeGAN的作品呢。

但，這項(xiàng)以興趣愛(ài)好為驅(qū)動(dòng)的科研項(xiàng)目并不只是“圖個(gè)好玩”。

在我們與該團(tuán)隊(duì)的交流當(dāng)中，他們表示：

主要目標(biāo)還是以學(xué)術(shù)論文為里程牌，以項(xiàng)目能工程化落地到實(shí)際應(yīng)用中為最大期待。

而接下來(lái)，?AnimeGANv3也快來(lái)了。

它到時(shí)會(huì)采用更小的網(wǎng)絡(luò)規(guī)模，大概縮減到只有4M左右；同時(shí)解決AnimeGANv2的一些不足?（比如v2保留了原圖過(guò)多的細(xì)節(jié)），讓生成的動(dòng)漫效果質(zhì)量更高。

這也意味著AnimeGANv3將具備商業(yè)化的能力。

而在AnimeGANv3完成之后，他們還會(huì)對(duì)人臉到動(dòng)漫的算法進(jìn)行不斷地優(yōu)化。

One More Thing

最后，大家上手之前一定要注意，雖然AnimeGAN展示的效果都是比較好的，但這有一個(gè)大前提：

照片一定要?高清、五官盡量要?清晰！

不然畫風(fēng)可能就會(huì)變得詭異?（作者親測(cè)，欲哭無(wú)淚）……

那么，你在漫畫里是什么樣子？

快去試試吧~

在線Demo：

https://huggingface.co/spaces/akhaliq/AnimeGANv2

Colab版本：

https://colab.research.google.com/drive/1jCqcKekdtKzW7cxiw_bjbbfLsPh-dEds?usp=sharing#scrollTo=niSP_i7FVC3c

GitHub地址：

https://github.com/TachibanaYoshino/AnimeGANv2

https://github.com/bryandlee/animegan2-pytorch

參考鏈接：

[1]https://www.reddit.com/r/MachineLearning/comments/qo4kp8/r_p_animeganv2_face_portrait_v2/
[2]https://user-images.githubusercontent.com/26464535/137619176-59620b59-4e20-4d98-9559-a424f86b7f24.jpg
[3]https://twitter.com/chriswolfvision/status/1457489986933170179